基于平均哈希算法（aHash）+汉明距离的相似图片识别方案
# demo示例
import cv2 import numpy as np from PIL import Image # 计算平均哈希值 def ahash(image): # 缩放为8*8 image = cv2.resize(image, (8, 8), interpolation=cv2.INTER_CUBIC) # 转换为灰度图像 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 计算像素平均值 avg = gray.mean() # 二值化 hash = (gray > avg).astype(np.uint8) # 转换为整数 hash = hash.flatten().tolist() hash = int(''.join(map(str, hash)), 2) return hash # 计算汉明距离 def hamming_distance(hash1, hash2): return bin(hash1 ^ hash2).count('1') # 加载图像 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg') # 计算哈希值 hash1 = ahash(img1) hash2 = ahash(img2) # 计算汉明距离 distance = hamming_distance(hash1, hash2) # 判断相似度 if distance <= 5: print('两张图片相似') else: print('两张图片不相似')
上述代码中，首先定义了一个计算平均哈希值的函数ahash()，该函数将图像缩放为8*8大小，转换为灰度图像，计算像素平均值，然后进行二值化，最后将二进制码转换为整数。然后，定义了一个计算汉明距离的函数hamming_distance()，该函数使用异或运算和计数函数实现。最后，加载两张图像，计算哈希值和汉明距离，根据距离判断两张图像是否相似。
需要注意的是，平均哈希算法和汉明距离虽然简单，但是对图像的旋转、缩放、裁剪等变换不太敏感，可能会导致误判。因此，在实际应用中，需要根据具体情况选择合适的相似度计算方法，以提高准确性和鲁棒性。
实际图片是url格式的链接，需要从url里面读取图片，这里参考博客：https://blog.csdn.net/xuezhangjun0121/article/details/120451534
用PIL+requests读取
import requests as req from PIL import Image from io import BytesIO url = "https://img14.360buyimg.com/pop/jfs/t1/22587/13/20118/88676/63749dabE14cae977/7894c80d44c5d336.jpg" response = req.get(url) image = Image.open(BytesIO(response.content)) image.show()
但是此时image虽然读取了，并不能直接丢进上面定义的ahash（）函数去计算，因为
img1 = cv2.imread('Wechat1.jpeg')
和
response = req.get(url)
image = Image.open(BytesIO(response.content))
这两种方法读取的图片格式是不同的。
1.cv2.imread()函数读取的图像格式是numpy数组，其中每个元素表示图像中的一个像素。numpy数组的形状是(height, width, channels)，其中height表示图像的高度，width表示图像的宽度，channels表示图像的通道数，通常是3（表示RGB颜色空间）或1（表示灰度颜色空间）。
2.PIL库中的Image.open()函数读取的图像格式是PIL库中的Image对象，其中包含了图像的各种属性和方法。Image对象可以使用numpy库中的frombuffer()函数将其转换为numpy数组，也可以使用PIL库中的save()函数将其保存为图像文件。
需要注意的是，cv2.imread()函数读取的图像格式是BGR格式，而不是RGB格式。因此，在使用cv2.imread()函数读取图像后，需要使用cv2.cvtColor()函数将图像从BGR格式转换为RGB格式，才能正确地显示图像。
而PIL库中的Image.open()函数读取的图像格式是RGB格式，因此不需要进行额外的转换。
那么如何将Image图像转换成cv2.imread()读取的格式呢？
可以使用numpy库中的asarray()函数将PIL库中的Image对象转换为numpy数组，然后使用cv2.cvtColor()函数将图像从RGB格式转换为BGR格式，最后使用cv2.imwrite()函数将图像保存为文件。
import requests from io import BytesIO import numpy as np from PIL import Image import cv2 # 读取图像数据 url = 'https://img14.360buyimg.com/pop/jfs/t1/22587/13/20118/88676/63749dabE14cae977/7894c80d44c5d336.jpg' response = requests.get(url) image = Image.open(BytesIO(response.content)) # 将图像数据转换为numpy数组 img_array = np.asarray(image) # 将图像从RGB格式转换为BGR格式 img = cv2.cvtColor(img_array, cv2.COLOR_RGB2BGR) # 保存图像 cv2.imwrite('image.jpg', img)
np.asarray(image)和img_array = np.frombuffer(image.tobytes(), dtype=np.uint8) 有什么区别？
1.np.asarray(image)和img_array = np.frombuffer(image.tobytes(), dtype=np.uint8)这两种方法都可以将PIL库中的Image对象转换为numpy数组，但是它们的实现方式是不同的。
2.np.asarray(image)函数将PIL库中的Image对象转换为numpy数组，其中每个元素表示图像中的一个像素。numpy数组的形状是(height, width, channels)，其中height表示图像的高度，width表示图像的宽度，channels表示图像的通道数，通常是3（表示RGB颜色空间）或1（表示灰度颜色空间）。np.asarray()函数会自动根据图像的类型（RGB或灰度）创建相应的numpy数组。
3.image.tobytes()函数将PIL库中的Image对象转换为字节串，其中每个字节表示图像中的一个像素。np.frombuffer()函数将字节串转换为numpy数组，其中每个元素表示一个字节。np.frombuffer()函数需要指定数组的数据类型，通常是np.uint8（表示无符号8位整数）。
4.需要注意的是，np.asarray()函数和np.frombuffer()函数的返回值都是numpy数组，但是它们的形状和数据类型可能不同。np.asarray()函数返回的数组形状是(height, width, channels)，数据类型是np.uint8或np.uint16，而np.frombuffer()函数返回的数组形状是(height * width * channels,)，数据类型是np.uint8。
5.总之，这两种方法都可以将PIL库中的Image对象转换为numpy数组，需要根据具体的应用场景选择合适的方法。如果需要保留图像的形状和数据类型，则可以使用np.asarray()函数；如果只需要获取图像的字节串，则可以使用image.tobytes()函数；如果需要将字节串转换为numpy数组，则可以使用np.frombuffer()函数。
